基于生成对抗网络的单帧太阳斑点图像重建算法研究

作     者：任永辉 

作者单位：云南大学 

学位级别：硕士

导师姓名：蒋慕蓉

授予年度：2020年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 07[理学] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 070401[理学-天体物理] 0835[工学-软件工程] 0802[工学-机械工程] 0704[理学-天文学] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：太阳斑点图重建 生成对抗网络 循环一致性 感知损失 VGG网络 

摘      要：太阳活动的观测以及研究其中的规律对于人类来说有着极其重要的意义。由于地球大气的影响,地基望远镜只能观测到模糊的太阳斑点图像,而高分辨率的太阳图像才能在太阳研究中发挥出的重要的作用。因此高分辨率太阳斑点图像重建一直是天文学和太阳物理学中的重要研究内容。传统重建算法利用太阳斑点图的统计信息,计算过程复杂,重建时间较长。近年来深度学习在计算机图像处理领域迅猛发展,特别是在图像转换和图像重建任务中取得了较好的效果。本文主要以深度学习的图像重建技术为基础,针对生成对抗网络在单帧太阳斑点图重建的应用中展开了深入的研究,主要研究内容概括如下:（1）结合当前的研究背景,详细介绍了两种类型的重建算法:传统的太阳斑点图重建算法和基于深度学习的图像重建算法。主要对比了其中常用的传统重建算法和深度学习网络模型,综合分析指出了深度学习的优势,从理论上验证了生成对抗网络在太阳斑点图重建领域应用的可能性。（2）针对特殊的太阳斑点图像,本文基于图像到图像的转换思想,采用生成对抗网络（GAN）对单帧太阳斑点图像重建算法进行研究,利用循环生成对抗网络（CycleGAN）建立斑点图像到高分辨率重建图像之间的映射。并且生成器网络中采用编码器,转换器和解码器的结构,通过循环一致性,提高了生成对抗网络重建图像的真实性和稳定性。（3）针对重建结果过于平滑、缺乏细节以及单帧斑点图像缺少高频信息等问题,本文基于超分辨率重建的思想,使用人眼真实视觉感知图像特征的差异性,引入感知损失改进CycleGAN网络模型。通过使用VGG网络提取图像特征,计算图像特征之间的差异代替图像像素之间的差异,改进了重建后图像高频信息恢复不足的问题,进一步提高了重建图像的视觉效果。本文使用来源于中国科学院云南天文台1米新真空太阳望远镜（NVST）采集的原始数据,经过一系列数据预处理后构建了数据集并进行了实验。实验结果表明,本文基于生成对抗网络的重建算法结合循环一致损失和感知损失,大大提高了单帧太阳斑点图像的重建质量。在主观和客观的评价标准下,本文方法重建精度不低于传统算法,视觉效果和算法效率更优于传统算法。